一种克服小数据训练集的图像识别精度提升方法及系统技术方案

本发明专利技术提出了一种克服小数据训练集的图像识别精度提升方法及系统，其中方法具体包括：步骤1、通过信息采集设备实时获取通过运输台的产品图像数据；步骤2、对获取到的图像数据进行预处理；步骤3、构建目标检测模型，并接收经过预处理后的产品图像数据；步骤4、目标检测模型对接收到的产品图像数据进行分析处理，并输出识别分类的结果；步骤5、根据生成的识别分类结果生成对应的触发指令；步骤6、置于运输台上的机械手根据接收到的触发指令进行对应的残次品抓取操作，实现残次品的剔除。本申请通过对运输传输带上的目标物进行识别检测，剔除质量不合格的货物，减少了人工质检的成本投入，同时提高了货物运输的效率。同时提高了货物运输的效率。同时提高了货物运输的效率。

【技术实现步骤摘要】
一种克服小数据训练集的图像识别精度提升方法及系统


[0001]本专利技术涉及一种克服小数据训练集的图像识别精度提升方法及系统，特别是涉及图像数据处理


技术介绍

[0002]随着智能化产业链的发展，自动化产业技术逐渐替代传统工业的人力操作以及简单重复的机械化流程。在实际运输作业过程中，为了在提高运输目标物的运输效率，在运输中，为了更好的得到符合要求的目标物，减少人工质检的成本投入，常通过对目标物检测识别的引入，提高运输效率。
[0003]现有技术中，针对目标物的检测，常采用构建目标检测模型的方式对图像数据进行识别检测，但在实际应用中，由于环境因素以及模型训练集的数据量不过，常常会导致识别精度不够高，完成效率不够好的问题。

技术实现思路

[0004]专利技术目的：提出一种克服小数据训练集的图像识别精度提升方法及系统，以解决现有技术存在的上述问题。通过对现有图像识别模型的优化，提高目标检测的效率，从而提高实际作业过程的工作效率，减少不必要的质量冗余过程。
[0005]技术方案：第一方面，提出了一种克服小数据训练集的图像识别精度提升方法，具体包括以下步骤：
[0006]步骤1、通过信息采集设备实时获取通过运输台的产品图像数据；
[0007]步骤2、对获取到的图像数据进行预处理；所述预处理包括对所述产品图像数据；进行灰度化处理、二值化、以及去噪操作；
[0008]步骤3、构建目标检测模型，并接收经过预处理后的产品图像数据；
[0009]步骤4、所述目标检测模型对接收到的产品图像数据进行分析处理，并输出识别分类的结果；
[0010]步骤5、根据步骤4生成的识别分类结果生成对应的触发指令；所述触发指令用于驱动机械手的作业状态；
[0011]步骤6、置于运输台上的机械手根据接收到的触发指令进行对应的残次品抓取操作，实现残次品的剔除。
[0012]其中，为提高目标检测模型的识别性能，采用网络预训练的方式对其进行性能的学习提升。通过对运输传输带上的目标物进行识别检测，剔除质量不合格的货物，可以减少人工质检的成本投入，同时提高货物运输的效率。另外，通过对图像数据的预处理，可以在后续对数据进行使用时，增加数据的精准度，同时减少图像噪声的操作在目标检测模型训练的过程中也可以极大程度上的减少对负面影响，从而有效提高网络的性能。
[0013]在第一方面的一些可实现方式中，步骤2对获取到的图像数据进行预处理时进一步包括对图像数据进行灰度化处理、二值化、以及去噪操作。
[0014]由于图像噪声的存在往往会导致图像识别结果会呈现不精准的问题，进一步提出一种图像去噪方法，提高图像识别精度；实际作业过程中图像去噪的实现过程包括以下步骤：
[0015]步骤2.1、对获取到的图像数据进行图像增强；
[0016]步骤2.2、匹配噪声图像与增强后图像数据，并通过特征提取模型获取图像的特征点；
[0017]步骤2.3、将特征点作为先验信息对去噪过程中的权重值进行修正；
[0018]步骤2.4、根据修正后的权重值获取最终去噪后的图像数据。
[0019]在第一方面的一些可实现方式中，为了提高所述目标检测模型的检测性能，通过对目标检测模型的预训练，获取目标检测模型对应的初始参数；进一步的，目标检测模型进行预训练的过程，具体包括以下步骤：
[0020]步骤3.1.1、构建用于模型训练的数据集，划分源域识别任务并构建对应的源域训练样本；
[0021]步骤3.1.2、构建与源域模型相同的目标域模型；
[0022]步骤3.1.3、利用实际图像数据集对目标域模型进行对应权重的更新；
[0023]步骤3.1.4、采用自适应运动估计算法，通过梯度下降的方式完成目标检测模型的整体优化；
[0024]步骤3.1.5、通过分类器识别最终的目标类别分类。
[0025]针对目标检测模型训练过程会出现的训练过度从而导致过拟合现象产生，通过稀疏矩阵类聚成相对密集的子矩阵的方法提高网络计算性能，以及在目标检测模型中引入残差网络的结构，克服过拟合的问题。
[0026]进一步的，在训练网络模型的过程中，通过随机丢失部分神经元的方式，减少目标检测模型的参数。
[0027]步骤4在实现目标识别检测结果输出的时，通过构建的分类器在多项预设逻辑损失的组合下，实现检测结果的判定。
[0028]进一步的，分类器在接收到处理完的图像数据后，将其映射为0到1之间的实数，从而实现分类向量的归一化；
[0029]所述分类器中包含softmax函数和交叉熵函数；
[0030]其中，所述softmax函数表达式为：
[0031][0032]式中，i表示第i类别；k表示总的类别数；H(z
i
)表示第i类别的概率；
[0033]交叉熵函数表达式为：
[0034]H(p，q)＝
‑
∑p(x)log(q(x))
[0035]式中，p表示真实分布；q表示估计分布。
[0036]在第一方面的一些可实现方式中，步骤4利用所述目标检测模型对接收到的产品图像数据进行分析处理时，进一步包括以下步骤：
[0037]步骤4.1、目标检测模型接收到的产品图像数据后，对其进行图像特征的提取，并生成对应的特征图；
[0038]步骤4.2、采用锚点机制获取图像数据中的背景和目标，并利用边框回归修正锚点获得精确的候选框；
[0039]步骤4.3、通过池化层将感兴趣区域进行池化，使得在特征提取过程中得到的特征图，可以在感兴趣区域中共享；
[0040]步骤4.4、通过分类器获取生成感兴趣区域中的目标类别。
[0041]所述目标检测模型中用于实现特征提取的每一层卷积层中，使用了多个卷积核，并理解成不同的感受野，通过将其连接起来，丰富每层的信息。
[0042]进一步的，每个卷积层用至少两个卷积核进行并联，并且并联的每条支路上的属性值与其余支路相同，即每一个支路都称为一个基数将卷积层中从原来的多个卷积核拆分为多个个数少的核，且这些个数少的卷积核结构相同。
[0043]第二方面，提出一种克服小数据训练集的图像识别精度提升系统，该系统具体包括：
[0044]信息采集设备，被设置为根据实际运输作业需求实时获取运输台上的产品图像数据；
[0045]图像数据处理模块，被设置为根据信息采集设备获取到的实时产品图像数据进行预处理操作；所述预处理包括对所述产品图像数据进行灰度化处理、二值化、以及去噪操作；
[0046]目标检测模型，被设置为接收图像数据处理模块预处理后的产品图像数据，并对接收到的产品图像数据进行分析处理，输出识别分类的结果；
[0047]指令生成模块，被设置为根据目标监测模型输出的分类结果生成对应的触发指令；所述触发指令用于驱动机械手的作业状态；
[0048]为了提高所述目标检测模型的检测性能，通过对目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种克服小数据训练集的图像识别精度提升方法，其特征在于，具体包括以下步骤：步骤1、通过信息采集设备实时获取通过运输台的产品图像数据；步骤2、对获取到的图像数据进行预处理；所述预处理包括对所述产品图像数据进行灰度化处理、二值化、以及去噪操作；步骤3、构建目标检测模型，并接收经过预处理后的产品图像数据；步骤4、所述目标检测模型对接收到的产品图像数据进行分析处理，并输出识别分类的结果；步骤5、根据步骤4生成的识别分类结果生成对应的触发指令；所述触发指令用于驱动机械手的作业状态；步骤6、置于运输台上的机械手根据接收到的触发指令进行对应的残次品抓取操作，实现残次品的剔除；其中，为提高目标检测模型的识别性能，采用网络预训练的方式对其进行性能的学习提升。2.根据权利要求1所述的一种克服小数据训练集的图像识别精度提升方法，其特征在于，步骤2对获取到的图像数据进行预处理时进一步包括对图像数据进行灰度化处理、二值化、以及去噪操作；由于图像噪声的存在往往会导致图像识别结果会呈现不精准的问题，进一步提出一种图像去噪方法，提高图像识别精度；实际作业过程中图像去噪的实现过程包括以下步骤：步骤2.1、对获取到的图像数据进行图像增强；步骤2.2、匹配噪声图像与增强后图像数据，并通过特征提取模型获取图像的特征点；步骤2.3、将特征点作为先验信息对去噪过程中的权重值进行修正；步骤2.4、根据修正后的权重值获取最终去噪后的图像数据。3.根据权利要求1所述的一种克服小数据训练集的图像识别精度提升方法，其特征在于，为了提高所述目标检测模型的检测性能，通过对目标检测模型的预训练，获取目标检测模型对应的初始参数；进一步的，目标检测模型进行预训练的过程，具体包括以下步骤：步骤3.1.1、构建用于模型训练的数据集，划分源域识别任务并构建对应的源域训练样本；步骤3.1.2、构建与源域模型相同的目标域模型；步骤3.1.3、利用实际图像数据集对目标域模型进行对应权重的更新；步骤3.1.4、采用自适应运动估计算法，通过梯度下降的方式完成目标检测模型的整体优化；步骤3.1.5、通过分类器识别最终的目标类别分类。4.根据权利要求3所述的一种克服小数据训练集的图像识别精度提升方法，其特征在于，针对目标检测模型训练过程会出现的训练过度从而导致过拟合现象产生，通过稀疏矩阵类聚成相对密集的子矩阵的方法提高网络计算性能，以及在目标检测模型中引入残差网络的结构，克服过拟合的问题；
进一步的，在训练网络模型的过程中，通过随机丢失部分神经元的方式，减少目标检测模型的参数。5.根据权利要求3所述的一种克服小数据训练集的图像识别精度提升方法，其特征在于，步骤4在实现目标识别检测结果输出的时，通过构建的分类器在多项预设逻辑损失的组合下，实现检测结果的判定；进一步的，分类器在接收到处理完的图像数...

【专利技术属性】
技术研发人员：毕登科，朱亮，
申请(专利权)人：南京付联微网络科技有限公司，
类型：发明
国别省市：